面向大规模数据集的近邻传播聚类

近邻传播聚类在计算过程中需构建相似度矩阵,该矩阵的规模随样本数急剧增长,限制了算法在大规模数据集上的直接应用。为此,提出一种改进的近邻传播聚类算法,利用数据点的局部分布,借鉴半监督聚类的思想构造稀疏化的相似度矩阵,并对聚类结果中的簇代表点再次或多次聚类,直至得到合适的簇划分。实验结果表明,该算法在处理能力和运算速度上优于原算法。     

《商务智能与数据挖掘》教学研究

随着物联网的兴起,商务智能与数据挖掘逐渐成为电子商务领域的研究和应用热点。结合本校电子商务专业的特点,分析了《商务智能与数据挖掘》课程开设的背景和意义,介绍了研讨性课程的设计思想,并基于该思想设计了教学大纲,最后总结全文。     

基于核方法的彩色图像量化研究

彩色图像量化是指将一幅具有N种颜色的图像用K（K<相似文献   

基于谱聚类的两阶段颜色量化算法

颜色量化是进行图像处理和图像分析的重要技术之一,可以被广泛地应用到图像分割、图像压缩和图像识别中。首先利用高效的二分K均值聚类进行粗略量化,然后使用基于加权距离的谱聚类进行再次量化。实验结果表明,和其他常见量化算法相比,两者的结合使得新方法在运算速度和量化质量上都取得了不错的结果,而加权距离的引入,有效地解决了传统算法将包含像素个数少但重要的颜色进行错划分的问题。     

一种基于加权标志点的流形学习算法

近年来出现的一系列进行维数约简的非线性方法——流形学习中等距映射（Isomap）是其中的代表,该算法高效、简单,但计算复杂度较高。基于标志点（Landmark Points）的L-Isomap减少了计算复杂度,但对于标志点的选取,大都采用随机的方法,致使该算法不稳定。考虑到样本点和近邻点相对位置,将对嵌入流形影响较大的样本点赋予较高的权重。然后根据权重大小选择标志点,同时考虑标志点之间的相对位置,使得选出的标志点不会出现过度集中的现象,近似直线分布的概率也大大降低,从而保证了算法的稳定性。实验结果表明,该算法在标志点数量较少的情况下,比L-Isomap稳定,且对缺失数据的不完整流形,也能获取和Isomap相差不大的结果。     

SET协议之双重签名教学探讨

SET协议是《电子商务安全》课程中重点和难点，而双重签名又是SET协议的关键技术。本文从案例入手，激发学生的学习兴趣，然后分析双重签名的原理，并用原型系统演示双重签名，最后再回归案例，使学生在案例的引导下轻松掌握双重签名复杂原理及编程实现。     

高维数据固有维数的自适应极大似然估计

如何确定高维数据的固有维数是降维成功与否的关键。基于极大似然估计（MLE）的维数估计方法是一种新近出现的方法,实现简单,选择合适的近邻能取得不错的结果。但当近邻数过小或过大时,均有比较明显的偏差。其根本原因是没有考虑每个点对固有维数的不同贡献。在充分考虑数据集的分布信息之后,提出了一种改进的MLE——自适应极大似然估计(AMLE)。实验表明,无论在合成数据集还是真实数据集上,AMLE较MLE在估计准确度上均有很大的提高,对近邻数的变化也不甚敏感。     

基于TD(λ)的自然梯度强化学习算法

近年来强化学习中的策略梯度方法以其良好的收敛性能吸引了广泛的关注。研究了平均模型中的自然梯度算法,针对现有算法估计梯度时效率较低的问题,在梯度估计的值函数逼近中采用了TD(λ)方法。TD(λ)中的资格迹使学习经验的传播更加高效,从而能够降低梯度估计的方差,提升算法的收敛速度。车杆平衡系统仿真实验验证了所提算法的有效性。     

图像搜索结果的滑动窗口多标记传播聚类

针对图像聚类中数据量大、部分重叠等问题,提出一种基于滑动窗口的多标记传播聚类算法。首先根据图像距离计算图像间的相似度,设定阈值将相似度转变为链接,构造出一个无向图;然后应用基于滑动窗口的多标记传播算法对无向图进行社区划分。滑动窗口可以存放多个标记,从而一个图像可以归属于多个类别。对公开网络数据和搜索引擎返回的真实图像数据进行实验,结果表明,该方法能有效发现具有重叠划分的簇,且簇的意义比较明确。     

图像搜索结果的重叠层次聚类与代表点展现

针对图像聚类中面临的高维、准确度低、部分重叠等问题,提出了一种高效的基于链接层次聚类的多标记图像聚类。该方法通过图像距离计算相似度,通过链接聚类检测重叠簇。从而每个图像可能归属于多个簇,使得簇标签的意义更明确。为了检验方法的有效性,对通过搜索引擎检索特定关键词返回的图片数据集进行聚类。结果表明,该方法能有效发现具有重叠划分的簇,且簇的意义比较明确。